13 Eier, kein Treffer: Warum Bild-KIs nicht zählen können – und was hilft

In China macht gerade ein simpler Test die Runde: „Zeichne 13 Eier“. Doubao, Qwen, Yuanbao und andere liefern 12, 14 oder 16. Wir erklären mit aktueller Forschung, woran das liegt, warum ein umformulierter Prompt meist wenig bringt und wie man trotzdem auf die richtige Zahl kommt.

Analysen 20. Nov. 2026 10 Min. Lesezeit Eigene Analyse der Redaktion
Symbolbild, KI-generiert

Darum geht es

Ein Ei mehr als ein Dutzend, mehr verlangt der Test nicht. Am 18. November bat ein Nutzer in China den Assistenten Doubao von ByteDance um ein Bild mit „13 Eiern in einer Schachtel“. Heraus kamen 12 Eier. Doubao meldete „auf 13 ergänzt“, im Bild lagen weiter 12. Laut SMZDM und Sina folgten mehr als zehn Korrekturrunden mit Ergebnissen zwischen 9 und 12 Eiern. Bei nummerierten Eiern stand die „3“ zweimal da, und die „11“ fehlte. Laut World Journal zählten Nutzer in verschiedenen Varianten 9, 11, 12, 14, 17 oder 18 Eier. Am Ende schlug Doubao vor, die Eier als Textliste zu schreiben.

Andere Nutzer probierten das mit Qwen (Qianwen) von Alibaba, Yuanbao von Tencent, Kling, Jimeng, ChatGPT und Gemini. Das Ergebnis war ähnlich, und der Test landete auf Weibo unter den Trendthemen. Wir wollen klären, warum eine Maschine fotorealistische Eier malt, aber nicht bis 13 zählen kann. Unsere These: Zählen ist für Bild-KIs ein Planungsproblem, kein Malproblem.

Was die Einzeltests zeigen und was nicht

Die chinesischen Berichte stützen sich fast nur auf einzelne Versuche von Nutzern und Bloggern. SMZDM hat die Funde von neun Modellen gesammelt:

Modell gemeldete Ergebnisse
Doubao 12, 14, 9; einmal 13 im sechsten Versuch
Qwen 15, nach dem Hinweis „leere Fächer erlaubt“ 16
Kimi 13 auf Anhieb (einziger dokumentierter Ersttreffer)
Kling 12
Jimeng „12 und ein halbes“
GPT-Image in einem Test 11, bei einem anderen Blogger richtig
Gemini bei einem Zhihu-Nutzer richtig, bei einem anderen falsch

Ein Blogger auf Sina, der jedes Modell nur einmal getestet hat, sah ChatGPT und Doubao richtig liegen, Yuanbao mit einem von zwei Bildern und Qwen sowie Zhipu Qingyan daneben. Daraus folgt: Kein Modell schafft es zuverlässig, manche treffen gelegentlich. SMZDM nennt die Schwäche deshalb „probabilistisch“, also vom Zufall abhängig. Eine Rangliste lässt sich aus diesen Stichproben nicht ableiten.

Die Anbieter wiegeln ab. Laut dem Portal The Paper erklärte Doubaos Assistent, genaues Zählen sei bei Text-zu-Bild-Modellen „eine Eigenschaft des Modells, keine Fehlfunktion“. Der Kundendienst von Qwen riet, die Menge im Prompt stärker zu betonen oder einen neuen Chat zu öffnen.

Was die Forschung misst

Systematisch untersucht hat das die Studie T2ICountBench von Guo und Kollegen, Titel: „Text-to-Image Diffusion Models Cannot Count, and Prompt Refinement Cannot Help“. Getestet wurden 15 Systeme, darunter Imagen 3, Gemini 2.0 Flash, DALL·E 3, FLUX 1.1, Doubao, Kling und Hunyuan. Diese Generation ist inzwischen veraltet, das Muster aber eindeutig:

verlangte Anzahl Trefferquote (ca.)
1–5 Objekte 60–80 %
6–10 Objekte 10–30 %
11–15 Objekte fast überall unter 10 %, Recraft V3 und SD 3.5 bis 2 %

Über alle Mengen gerechnet erreichte kein Modell 50 Prozent. An der Spitze lag Imagen 3 mit 0,43, am Ende Recraft V3 mit 0,25. 13 Eier liegen damit genau in dem Bereich, in dem die Modelle praktisch raten.

Neuer ist eine Arbeit von Liang Yue und Eric A. Vance (University of Colorado Boulder) vom 4. November 2026. Sie testeten fünf offene Modelle und ließen 3.088 Bilder von Menschen auszählen. Bei 12 bis 30 verlangten Objekten trafen FLUX.1-dev in 0 Prozent der Fälle genau, SDXL in 3, SD3.5-Medium in 4, FLUX.2 [klein] in 13 und Qwen-Image in 21 Prozent. Laut den Autoren hören SD3.5-M und FLUX.1-dev kurz nach zehn praktisch auf, der Zahl zu folgen. FLUX.2 [klein] und Qwen-Image folgen ihr locker bis etwa 25. Die Autoren merken spitz an: Ein Modell, das immer 16 Objekte malt, schneidet bei der mittleren Abweichung jenseits von zehn besser ab als manches Vergleichsverfahren.

Warum es scheitert: drei Verdächtige, einer weniger schuldig als gedacht

1. Das Bild entsteht als Ganzes. Diffusionsmodelle, die verbreitetste Bauart, starten mit reinem Rauschen und entfernen es Schritt für Schritt, bis ein Bild übrig bleibt. Ein bisschen wie ein Foto in der Dunkelkammer, das überall gleichzeitig erscheint. Nirgends gibt es einen Schritt „setze Ei Nummer 13“. Laut der Studie zu CountCluster wird die Zahl der Objekte schon in den ersten Entrauschungsschritten weitgehend festgelegt. Zhao und Kollegen gehen in „Demystifying Numerosity in Diffusion Models“ noch weiter. Ihr Befund: Das Startrauschen bestimmt die Anordnung, der Text bestimmt vor allem, was an diesen Stellen erscheint. Manche Startwerte bevorzugen feste Mengen. In ihrem Test erzeugte ein bestimmtes Rauschen fast immer 23 Objekte, ein anderes fast immer 40, unabhängig vom Training. Größere Modelle (von 2,5 auf 12 Milliarden Parameter) und mehr Daten (bis 500.000 Beispiele) halfen nicht: Die Genauigkeit blieb unter 23 Prozent.

2. Der Textencoder, also der Teil, der den Prompt in Zahlen übersetzt. Für ältere Modelle stimmt der Verdacht. Das häufig eingesetzte CLIP reagiert laut der ICCV-Studie „Teaching CLIP to Count to Ten“ kaum auf die Zahl der Objekte, unter anderem weil Zahlen in Bildunterschriften im Netz oft Alter, Uhrzeit oder Hausnummer bezeichnen. Für heutige Modelle widerspricht die neue Studie von Yue und Vance aber der verbreiteten Erklärung. Die Zahl lässt sich aus allen Textsträngen in der richtigen Reihenfolge herauslesen (Trefferquoten von 0,85 bis 0,97), und sie erreicht den Bildteil des Modells. Sie wirkt dort sogar früh im Prozess, „aber nichts, was wir versucht haben, verknüpft sie mit einer Änderung der Anzahl“. Ob 12 und 13 sauber getrennt werden, haben die Autoren nicht direkt geprüft. Unsere Einschätzung: Der Textencoder ist bei neuen Modellen eher Nebendarsteller, die Zahl geht vor allem beim Bildaufbau verloren.

3. Der 12er-Karton. Alle chinesischen Berichte nennen ihn: Eierkartons haben meist 12 Fächer, das Modell füllt die vertraute Form, und für das 13. Ei ist kein Platz. Das klingt plausibel. Eine Zählung, wie oft 12er-Kartons in Trainingsdaten wie LAION vorkommen, haben wir aber nicht gefunden. Belegt ist das allgemeinere Prinzip: In T2ICountBench sank die Genauigkeit in Stadtszenen auf 21 Prozent (Wohnräume: 42 Prozent), weil die Modelle etwa zusätzliche Bäume an Straßen setzten, wo sie „hingehören“. Dass Qwen nach dem Hinweis „leere Fächer erlaubt“ von 15 auf 16 Eier sprang, passt dazu: Lücken darzustellen ist für die Modelle schwerer, als Plätze zu füllen.

Warum Umformulieren kaum hilft und Planen schon

Viele raten, den Prompt umzuschreiben. In T2ICountBench war das Ergebnis ernüchternd: Im Durchschnitt fiel die Genauigkeit von 0,42 auf 0,26 bei „2 mal 7“-Zerlegungen, auf 0,23 bei „6 + 6“, auf 0,34 bei einem Rastervorschlag und auf 0,20 bei Positionsangaben. Kling stürzte mit Positionsangaben von 0,40 auf 0,07. Die Modelle lasen „6 + 6“ einfach als 6.

Der Doubao-Fall zeigt, dass Planen allein nicht reicht. Das Modell entwarf selbst „4 + 4 + 5 = 13“, beschriftete die dritte Reihe dann aber mit 9, 10, 12, 13. Der Plan stand im Text, das Bildmodell hielt sich nicht daran. Es gibt aber auch Gegenbeispiele. Laut SMZDM traf Doubao mit der Anweisung „erste Reihe 5, zweite 5, dritte 3“ fast jedes Mal. Unsere Einschätzung: Neuere Modelle setzen Ortsangaben besser um als die Generation, die T2ICountBench getestet hat. Ein Beweis ist eine Einzelbeobachtung aber nicht.

Deutlich wirksamer ist es, die Zahl nicht zu sagen, sondern zu zeigen:

Ansatz Ergebnis laut Studie
nur Zahl im Prompt (SD3.5-M, 12–30 Objekte) 4 % exakt
Start von verrauschtem Raster aus Kopien des Objekts 59 %
Raster aus schlichten Ellipsen 24 %
Layoutmodelle mit Positionskästen (GLIGEN / InstanceAssemble) 46 % / 68 %
zählbewusstes Startrauschen (Zhao u. a., GrayCount250) 20 % → 85,3 %
Sprachmodell plant Kästen, dann Bild (LMD / LMD+) 39 % → 62 % / 86 %

Diese „4 Prozent zu 59 Prozent“ kursieren in China übrigens als Ergebnis eines ICML-Papers. Tatsächlich stammen sie aus der Arbeit von Yue und Vance, und die Autoren nennen ihr Rasterverfahren ausdrücklich eine Sonde, keine fertige Methode, weil es Bildqualität kostet. Bei LLM-grounded Diffusion von Lian und Kollegen schreibt ein Sprachmodell zuerst für jedes Objekt einen eigenen Kasten (x, y, Breite, Höhe), vier Äpfel heißen also vier Kästen. Erst danach malt das Diffusionsmodell. Make It Count (CountGen, CVPR 2025) erkennt während des Malens, ob ein Objekt fehlt, und plant das Layout neu.

Autoregressive Modelle: der Sonderfall GPT-Image

OpenAI beschreibt seine Bildgenerierung seit GPT-4o als autoregressives Modell, das direkt in ChatGPT eingebaut ist. Das Bild entsteht dabei Stück für Stück, ähnlich wie Text Wort für Wort. Laut OpenAI kommt das Modell mit 10 bis 20 verschiedenen Objekten zurecht, während andere Systeme bei 5 bis 8 scheitern. Das ist eine Herstellerangabe, die sich auf verschiedene Objekte bezieht, nicht auf 13 gleiche Eier. Unabhängig gemessen hat GPT-ImgEval: Im Benchmark GenEval erreichte GPT-4o beim Zählen 0,85, DALL·E 3 nur 0,47. Damit schneidet das autoregressive Modell klar besser ab, perfekt ist es aber nicht. Im Eier-Test lieferte GPT einmal 11. Auch in GenEval 2, mit menschlicher Bewertung, kommen Gemini 2.5 Flash Image und Qwen-Image beim Zählen auf rund 70 Prozent, FLUX.1-dev und BAGEL auf 55,6 Prozent.

Unsere Einschätzung: Der Vorteil von GPT-Image und ähnlichen Systemen liegt weniger an der Bauart selbst als daran, dass ein Sprachmodell vor und während der Bildentstehung mitdenkt, also plant. SMZDM vermutet dasselbe. Belegt ist der Mechanismus bei OpenAI nicht.

Und die neuen Modelle dieser Woche?

Ideogram 4.6, Kling Image 4.0 und MAI Image 2.7 werben mit Präzision. Gemeint ist aber vor allem präzises Bearbeiten, Text im Bild oder hohe Auflösung. Zählwerte veröffentlicht keiner der Hersteller. Zwei Details passen zur Planungsthese: Ideogram trainierte schon Version 4.0 auf strukturierten Beschreibungen im JSON-Format, die jedes Objekt mit Position erfassen. Kling Image 4.0 soll Verstehen und Erzeugen in einem System vereinen. Ob das beim Zählen hilft, ist offen. Einen eigenen, systematischen Test mit mehreren Durchgängen konnten wir für diesen Artikel nicht durchführen. Wir behaupten deshalb keine Trefferquoten für diese Modelle.

Was du praktisch tun kannst

  • Anordnung statt Zahl vorgeben: „Draufsicht, drei Reihen: 5, 5 und 3 Eier, keine Überlappung“ statt „13 Eier“.
  • Lücken vermeiden: Eine Schachtel mit „15 Fächern, 2 leer“ ist schwerer als eine Anordnung ohne Karton.
  • Mehrere Bilder erzeugen und selbst zählen: Die Meldung „auf 13 ergänzt“ ist kein Beleg.
  • Kopieren statt malen: Ein Ei erzeugen und es im Bildprogramm 13-mal einsetzen. Das ist der einzige sichere Weg.
  • Lokal (Stable Diffusion, FLUX): Ein grobes Raster mit 13 Eiern als Startbild für Bild-zu-Bild nutzen oder Layoutverfahren mit Positionskästen wie GLIGEN einsetzen. Regionales Prompting, also unterschiedliche Anweisungen für verschiedene Bildbereiche, hilft bei der Anordnung, ist laut Stable Diffusion Art aber nicht hundertprozentig zuverlässig.

Einordnung

Der 13-Eier-Test ist ein Meme, aber ein lehrreiches. Er trifft genau die Lücke, die die Forschung seit Jahren misst. Bis etwa fünf Objekte klappt es meist, ab zehn raten die Modelle. Mehr Daten und größere Modelle ändern daran laut Zhao und Kollegen wenig. Die Erklärung, der Textencoder verwechsle 12 und 13, ist für ältere CLIP-Modelle plausibel. Für neue Modelle ist sie nach der Studie von Yue und Vance zu einfach. Belegt ist dagegen, dass vorab festgelegte Positionen, ob per Raster, Kasten oder Sprachmodell-Plan, die Trefferquote vervielfachen, während reines Umformulieren oft schadet. Unsere Einschätzung: Bildmodelle werden die 13 erst dann zuverlässig treffen, wenn sie vor dem ersten Pinselstrich einen Platz für jedes Ei reservieren. Bis dahin gilt für Lehrmaterial, Produktbilder und Infografiken: selbst nachzählen.

#bildgenerierung#diffusionsmodelle#zählen#china#forschung#prompting

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.